模型概述
模型特點
模型能力
使用案例
🚀 NVIDIA OpenCodeReasoning - Nemotron - 14B的Llamacpp imatrix量化版本
本項目是對NVIDIA的OpenCodeReasoning - Nemotron - 14B模型進行的Llamacpp imatrix量化。它能讓模型在不同硬件條件下更高效地運行,滿足多樣化的使用需求。
🚀 快速開始
使用 llama.cpp 的 b5306 版本進行量化。 原始模型:[https://huggingface.co/nvidia/OpenCodeReasoning - Nemotron - 14B](https://huggingface.co/nvidia/OpenCodeReasoning - Nemotron - 14B) 所有量化模型均使用imatrix選項,並採用 此處 的數據集。 你可以在 LM Studio 中運行這些量化模型,也可以直接使用 llama.cpp 或任何基於llama.cpp的項目來運行。
✨ 主要特性
- 多量化類型:提供了多種量化類型,如bf16、Q8_0、Q6_K_L等,滿足不同的性能和質量需求。
- 在線重打包:部分量化模型支持在線重打包,可在ARM和AVX機器上提高性能。
- 靈活選擇:用戶可以根據自身硬件條件和需求,選擇合適的量化模型。
📦 安裝指南
安裝huggingface - cli
首先,確保你已安裝huggingface - cli:
pip install -U "huggingface_hub[cli]"
下載特定文件
你可以指定要下載的特定文件:
huggingface-cli download bartowski/nvidia_OpenCodeReasoning-Nemotron-14B-GGUF --include "nvidia_OpenCodeReasoning-Nemotron-14B-Q4_K_M.gguf" --local-dir ./
下載拆分文件
如果模型大於50GB,它會被拆分為多個文件。要將它們全部下載到本地文件夾,請運行:
huggingface-cli download bartowski/nvidia_OpenCodeReasoning-Nemotron-14B-GGUF --include "nvidia_OpenCodeReasoning-Nemotron-14B-Q8_0/*" --local-dir ./
你可以指定一個新的本地目錄(如nvidia_OpenCodeReasoning-Nemotron-14B-Q8_0),也可以將它們全部下載到當前目錄(./)。
💻 使用示例
基礎用法
提示格式
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
📚 詳細文檔
量化文件下載
文件名 | 量化類型 | 文件大小 | 拆分情況 | 描述 |
---|---|---|---|---|
OpenCodeReasoning-Nemotron-14B-bf16.gguf | bf16 | 29.55GB | false | 完整的BF16權重。 |
OpenCodeReasoning-Nemotron-14B-Q8_0.gguf | Q8_0 | 15.70GB | false | 極高質量,通常不需要,但為最大可用量化。 |
OpenCodeReasoning-Nemotron-14B-Q6_K_L.gguf | Q6_K_L | 12.50GB | false | 嵌入和輸出權重使用Q8_0。非常高質量,接近完美,推薦。 |
OpenCodeReasoning-Nemotron-14B-Q6_K.gguf | Q6_K | 12.12GB | false | 非常高質量,接近完美,推薦。 |
OpenCodeReasoning-Nemotron-14B-Q5_K_L.gguf | Q5_K_L | 10.99GB | false | 嵌入和輸出權重使用Q8_0。高質量,推薦。 |
OpenCodeReasoning-Nemotron-14B-Q5_K_M.gguf | Q5_K_M | 10.51GB | false | 高質量,推薦。 |
OpenCodeReasoning-Nemotron-14B-Q5_K_S.gguf | Q5_K_S | 10.27GB | false | 高質量,推薦。 |
OpenCodeReasoning-Nemotron-14B-Q4_K_L.gguf | Q4_K_L | 9.57GB | false | 嵌入和輸出權重使用Q8_0。質量良好,推薦。 |
OpenCodeReasoning-Nemotron-14B-Q4_1.gguf | Q4_1 | 9.39GB | false | 舊格式,性能與Q4_K_S相似,但在Apple硅芯片上的每瓦令牌數有所提高。 |
OpenCodeReasoning-Nemotron-14B-Q4_K_M.gguf | Q4_K_M | 8.99GB | false | 質量良好,是大多數用例的默認大小,推薦。 |
OpenCodeReasoning-Nemotron-14B-Q3_K_XL.gguf | Q3_K_XL | 8.61GB | false | 嵌入和輸出權重使用Q8_0。質量較低但可用,適合低內存情況。 |
OpenCodeReasoning-Nemotron-14B-Q4_K_S.gguf | Q4_K_S | 8.57GB | false | 質量略低,但節省空間,推薦。 |
OpenCodeReasoning-Nemotron-14B-IQ4_NL.gguf | IQ4_NL | 8.55GB | false | 類似於IQ4_XS,但稍大。為ARM CPU推理提供在線重打包。 |
OpenCodeReasoning-Nemotron-14B-Q4_0.gguf | Q4_0 | 8.54GB | false | 舊格式,為ARM和AVX CPU推理提供在線重打包。 |
OpenCodeReasoning-Nemotron-14B-IQ4_XS.gguf | IQ4_XS | 8.12GB | false | 質量不錯,比Q4_K_S小,性能相似,推薦。 |
OpenCodeReasoning-Nemotron-14B-Q3_K_L.gguf | Q3_K_L | 7.92GB | false | 質量較低但可用,適合低內存情況。 |
OpenCodeReasoning-Nemotron-14B-Q3_K_M.gguf | Q3_K_M | 7.34GB | false | 低質量。 |
OpenCodeReasoning-Nemotron-14B-IQ3_M.gguf | IQ3_M | 6.92GB | false | 中低質量,新方法,性能與Q3_K_M相當。 |
OpenCodeReasoning-Nemotron-14B-Q3_K_S.gguf | Q3_K_S | 6.66GB | false | 低質量,不推薦。 |
OpenCodeReasoning-Nemotron-14B-Q2_K_L.gguf | Q2_K_L | 6.53GB | false | 嵌入和輸出權重使用Q8_0。質量非常低,但出人意料地可用。 |
OpenCodeReasoning-Nemotron-14B-IQ3_XS.gguf | IQ3_XS | 6.38GB | false | 質量較低,新方法,性能不錯,略優於Q3_K_S。 |
OpenCodeReasoning-Nemotron-14B-IQ3_XXS.gguf | IQ3_XXS | 5.95GB | false | 質量較低,新方法,性能不錯,與Q3量化相當。 |
OpenCodeReasoning-Nemotron-14B-Q2_K.gguf | Q2_K | 5.77GB | false | 質量非常低,但出人意料地可用。 |
OpenCodeReasoning-Nemotron-14B-IQ2_M.gguf | IQ2_M | 5.36GB | false | 質量相對較低,使用了最先進的技術,出人意料地可用。 |
OpenCodeReasoning-Nemotron-14B-IQ2_S.gguf | IQ2_S | 5.00GB | false | 低質量,使用了最先進的技術,可用。 |
嵌入/輸出權重
部分量化模型(如Q3_K_XL、Q4_K_L等)採用標準量化方法,將嵌入和輸出權重量化為Q8_0,而非默認值。
ARM/AVX信息
以前,你會下載Q4_0_4_4/4_8/8_8,這些模型的權重會在內存中交錯排列,以便在ARM和AVX機器上通過一次加載更多數據來提高性能。 現在,有了所謂的權重“在線重打包”功能,詳情見 此PR。如果你使用Q4_0,並且你的硬件能從權重重打包中受益,它將自動即時進行重打包。 從llama.cpp構建 b4282 開始,你將無法運行Q4_0_X_X文件,而需要使用Q4_0。 此外,如果你想獲得稍好的質量,可以使用IQ4_NL,感謝 此PR,它也會為ARM重打包權重,不過目前僅適用於4_4。加載時間可能會更長,但總體速度會提高。
如何選擇文件
首先,你需要確定你能運行多大的模型。為此,你需要了解你有多少RAM和/或VRAM。
- 追求極致速度:如果你希望模型儘可能快地運行,你需要將整個模型放入GPU的VRAM中。選擇文件大小比GPU總VRAM小1 - 2GB的量化模型。
- 追求極致質量:如果你想要絕對最高的質量,將系統RAM和GPU的VRAM相加,然後選擇文件大小比該總和小1 - 2GB的量化模型。 接下來,你需要決定是使用“I - 量化”還是“K - 量化”。
- 簡單選擇:如果你不想考慮太多,選擇K - 量化模型。這些模型的格式為“QX_K_X”,如Q5_K_M。
- 深入選擇:如果你想深入瞭解,可以查看這個非常有用的功能圖表:[llama.cpp feature matrix](https://github.com/ggerganov/llama.cpp/wiki/Feature - matrix)。 一般來說,如果你目標是Q4以下的量化,並且你使用的是cuBLAS(Nvidia)或rocBLAS(AMD),你應該考慮I - 量化模型。這些模型的格式為IQX_X,如IQ3_M。它們是較新的模型,在相同大小下提供更好的性能。 I - 量化模型也可以在CPU上使用,但比同等的K - 量化模型慢,因此你需要在速度和性能之間做出權衡。
🔧 技術細節
在線重打包性能提升
以AVX2系統(EPYC7702)上的基準測試為例:
模型 | 大小 | 參數 | 後端 | 線程數 | 測試類型 | 每秒令牌數 | 與Q4_0相比的百分比 |
---|---|---|---|---|---|---|---|
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | pp512 | 204.03 ± 1.03 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | pp1024 | 282.92 ± 0.19 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | pp2048 | 259.49 ± 0.44 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | tg128 | 39.12 ± 0.27 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | tg256 | 39.31 ± 0.69 | 100% |
qwen2 3B Q4_0 | 1.70 GiB | 3.09 B | CPU | 64 | tg512 | 40.52 ± 0.03 | 100% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | pp512 | 301.02 ± 1.74 | 147% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | pp1024 | 287.23 ± 0.20 | 101% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | pp2048 | 262.77 ± 1.81 | 101% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | tg128 | 18.80 ± 0.99 | 48% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | tg256 | 24.46 ± 3.04 | 83% |
qwen2 3B Q4_K_M | 1.79 GiB | 3.09 B | CPU | 64 | tg512 | 36.32 ± 3.59 | 90% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | pp512 | 271.71 ± 3.53 | 133% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | pp1024 | 279.86 ± 45.63 | 100% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | pp2048 | 320.77 ± 5.00 | 124% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | tg128 | 43.51 ± 0.05 | 111% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | tg256 | 43.35 ± 0.09 | 110% |
qwen2 3B Q4_0_8_8 | 1.69 GiB | 3.09 B | CPU | 64 | tg512 | 42.60 ± 0.31 | 105% |
Q4_0_8_8在提示處理方面有顯著提升,在文本生成方面有小幅提升。
📄 許可證
本項目採用Apache - 2.0許可證。
致謝
感謝kalomaze和Dampf協助創建imatrix校準數據集。 感謝ZeroWw提供關於嵌入/輸出實驗的靈感。 感謝LM Studio贊助本項目。 如果你想支持我的工作,請訪問我的ko - fi頁面:[https://ko - fi.com/bartowski](https://ko - fi.com/bartowski)



